Zum Hauptinhalt springen
Kimi K3 Praxis-Guide: Thinking-Modus, dynamisches Tool-Laden und Kontext-Caching
Dieser Artikel stellt die neuen Parameter und Aufrufhinweise von Kimi K3 vor. K3 ist auf AIHubMix über Chat Completions, Responses und die Claude-kompatible Messages-Schnittstelle aufrufbar. Weiterführend: Offizielle Moonshot-Plattformdokumentation. Alle als “Verifiziert” gekennzeichneten Ergebnisse und Beispielantworten der einzelnen Abschnitte stammen aus realen Aufrufen über die AIHubMix-Schnittstellen (Chat Completions / Responses / Messages) am 2026-07-17.

1. Modellspezifikation im Überblick

Verifiziert: Beide Obergrenzen von stop werden validiert, bei Überschreitung wird 400 zurückgegeben; stop_sequences der Messages-Schnittstelle führt dieselbe Validierung aus. Die Messages-Schnittstelle folgt beim Treffer einer Stoppsequenz nicht der Anthropic-Semantik: Verifiziert wurde stop_reason als "end_turn" (statt "stop_sequence"), stop_sequence als null, und der sichtbare Text vor der Stoppsequenz kann leer sein. Clients, die anhand dieser beiden Felder den Abbruchgrund bestimmen, sollten dies beachten.

2. Thinking-Modus: reasoning_effort nur mit Stufe max

Das Thinking von K3 ist standardmäßig aktiviert, reasoning_effort unterstützt ausschließlich die Stufe "max". In Multi-Turn-Dialogen muss der Thinking-Verlauf unverändert zurückgegeben werden: Laut offizieller Moonshot-Angabe wurde K3 mit preserved thinking trainiert. In Multi-Turn-Dialogen muss die Assistant-Nachricht der vorherigen Runde unverändert und vollständig zurückgegeben werden (einschließlich Thinking-Inhalt); fehlender Thinking-Verlauf führt zu instabiler Ausgabequalität. Bei Verwendung von Session-Management-Frameworks oder Proxy-Schichten stellen Sie sicher, dass der Thinking-Inhalt vor der Rückgabe nicht gekürzt wird.
Der Thinking-Inhalt wird im Feld reasoning_content der Antwort zurückgegeben; in Multi-Turn-Dialogen wird die Assistant-Nachricht der vorherigen Runde (inkl. reasoning_content) unverändert zurückgegeben.
Verifiziert: Die Antwort enthält reasoning_content; nach unveränderter Rückgabe der Assistant-Nachricht der vorherigen Runde (inkl. reasoning_content) antworten die Folgerunden normal.

3. Sampling-Parameter sind Festwerte

Die Sampling-Parameter von K3 sind offiziell festgelegte Werte: temperature 1.0, top_p 0.95, n 1, presence_penalty / frequency_penalty 0. Offiziell wird empfohlen, diese Parameter nicht im Request zu übergeben.
Hinweis: Die festen Sampling-Werte sind offizielle Spezifikation und lassen sich nicht aus Antwortsignalen verifizieren; lassen Sie diese Parameter gemäß offizieller Empfehlung weg.

4. Tool-Aufrufe und dynamisches Tool-Laden

tools unterstützt maximal 128 Tools; tool_choice unterstützt erzwungene und deaktivierte Tool-Aufrufe. K3 unterstützt zudem dynamisches Tool-Laden: Mitten im Dialog werden über das tools-Feld einer System-Nachricht neue Tools injiziert (eine für die Chat-Schnittstelle spezifische Nachrichtenform).
tool_choice unterstützt auto / none / required; required zwingt das Modell zum Tool-Aufruf. Dynamisches Tool-Laden: Die System-Nachricht zur Tool-Injektion enthält kein content, injizierte Tools wirken für die Folgerunden und müssen in jedem Request erneut mitgesendet werden.
Verifiziert: tool_choice: "required" erzwingt auch bei themenfremden Fragen einen Tool-Aufruf; "none" unterdrückt Tool-Aufrufe; über eine System-Nachricht ohne content mitten im Dialog injizierte Tools können normal aufgerufen werden.

5. Strukturierte Ausgabe

Mit strukturierter Ausgabe liefert das Modell Inhalte, die strikt dem vorgegebenen JSON-Schema entsprechen.
response_format unterstützt json_schema und den strict-Modus.
Verifiziert: Die Ausgabe ist gültiges, schemakonformes JSON.

6. Kontext-Caching automatisch aktiviert

Das Kontext-Caching von K3 ist automatisch aktiviert und benötigt keine Parameter. Bei Cache-Treffern durch wiederholte lange Präfixe wird die Treffermenge im usage-Objekt gemeldet (der Feldname variiert je nach Schnittstelle). Cache-Preise siehe Modellseite.
Verifiziert: Der zweite Request mit identischem langem Präfix meldet den Treffer in usage.prompt_tokens_details.cached_tokens.

7. Präfix-Fortsetzung mit partial

Die Präfix-Fortsetzung lässt das Modell ab einem vorgegebenen Präfix weiterschreiben — geeignet für Code-Vervollständigung und formatkontrollierte Ausgaben.
Übergeben Sie "partial": true in der letzten Assistant-Nachricht.
Verifiziert: Die Generierung setzt am vorgegebenen Präfix an, ohne das Präfix zu wiederholen.

8. Visuelle Eingabe

Bilder werden als Base64 übergeben; die Schreibweise der Content-Blöcke variiert je nach Schnittstelle.
Verifiziert: Base64-Bildeingabe funktioniert; das Modell beschreibt den Inhalt des Testbilds korrekt.

9. Praxisreferenz: Dauer und Token-Verbrauch eines langen Einzelaufrufs

Das Thinking von K3 ist fest auf die Stufe max eingestellt; einzelne Requests für komplexe Aufgaben dauern deutlich länger als bei regulären Modellen. Messdaten einer Single-File-HTML-Spielgenerierung (ein Prompt mit Referenzbild, eine Generierung, keine Iteration): Der einzelne Request dauerte 2.541 Sekunden (ca. 42 Minuten), 74.994 Completion-Tokens, davon 54.486 (73 %) für das Thinking; das Ergebnis waren 1.275 Zeilen direkt lauffähiger Code in einem Durchgang, finish_reason war stop. Empfehlungen für die Aufrufseite:
  • Client-Timeouts im Minutenbereich oder höher ansetzen; bei langen Aufgaben bevorzugt Streaming verwenden;
  • max_completion_tokens mit ausreichend Reserve setzen — in diesem Beispiel verbrauchte allein das Thinking 54.486 Tokens.

10. Support-Matrix: Fähigkeiten × Schnittstellen

Jede Zelle der folgenden Tabelle wurde am 2026-07-17 durch reale Aufrufe über die AIHubMix-Produktionsschnittstellen verifiziert; die Zellen zeigen die Parameter- bzw. Feldschreibweise der jeweiligen Schnittstelle.

Häufige Fragen (FAQ)

Welche Schnittstellen unterstützt K3 auf AIHubMix? Chat Completions (/v1/chat/completions), Responses (/v1/responses) und die Claude-kompatible Messages-Schnittstelle (/v1/messages). Kann das Thinking deaktiviert oder die Thinking-Intensität reduziert werden? Nein. Das Thinking von K3 ist standardmäßig aktiviert, reasoning_effort unterstützt nur die Stufe "max". Warum muss in Multi-Turn-Dialogen reasoning_content zurückgegeben werden? K3 wurde mit preserved thinking trainiert; offiziell ist die unveränderte, vollständige Rückgabe der Assistant-Nachricht der vorherigen Runde erforderlich. Fehlender Thinking-Verlauf führt zu instabiler Ausgabequalität. Welche Beschränkungen hat der stop-Parameter? Maximal 5 Stoppsequenzen, jede höchstens 32 Bytes; bei Überschreitung wird ein 400-Fehler zurückgegeben. Unterstützt die Messages-Schnittstelle strukturierte Ausgabe? ❗ Nein. Der offizielle Messages-Endpunkt (Anthropic-kompatibel) von Kimi K3 ignoriert Felder für strukturierte Ausgabe stillschweigend (liefert 200 mit Freitext, ohne Fehler). Verwenden Sie für strukturierte Ausgabe response_format in Chat Completions oder text.format in Responses. Warum dauert ein einzelner K3-Request so lange? Das Thinking von K3 ist fest auf die Stufe max eingestellt; bei komplexen Aufgaben ist der Thinking-Token-Anteil hoch (im gemessenen Fall 73 % der Completion-Tokens). Setzen Sie Client-Timeouts im Minutenbereich oder höher und verwenden Sie Streaming.
Preise und Echtzeitstatus des Modells finden Sie auf der Kimi-K3-Modellseite, weitere Modelle im Modell-Marktplatz. Zuletzt aktualisiert: 2026-07-17